[论文解读] A Generally Applicable, Highly Scalable Measurement Computation and Optimization Approach to Sequential Model-Based Diagnosis

Patrick Rodler, Wolfgang Schmid+1 more|arXiv (Cornell University)|Nov 15, 2017

Software Testing and Debugging Techniques参考文献 54被引用 12

一句话总结

本文提出了一种高度可扩展、通用适用的顺序模型基诊断最优测量选择方法，可即时计算出同时最小化预期查询次数和每次查询成本的查询。通过解耦优化并利用无需调用推理引擎的搜索空间缩减技术，该方法实现了多项式时间复杂度，在真实世界评估中相比现有方法性能提升数个数量级。

ABSTRACT

Model-Based Diagnosis deals with the identification of the real cause of a system's malfunction based on a formal system model and observations of the system behavior. When a malfunction is detected, there is usually not enough information available to pinpoint the real cause and one needs to discriminate between multiple fault hypotheses (called diagnoses). To this end, Sequential Diagnosis approaches ask an oracle for additional system measurements. This work presents strategies for (optimal) measurement selection in model-based sequential diagnosis. In particular, assuming a set of leading diagnoses being given, we show how queries (sets of measurements) can be computed and optimized along two dimensions: expected number of queries and cost per query. By means of a suitable decoupling of two optimizations and a clever search space reduction the computations are done without any inference engine calls. For the full search space, we give a method requiring only a polynomial number of inferences and show how query properties can be guaranteed which existing methods do not provide. Evaluation results using real-world problems indicate that the new method computes (virtually) optimal queries instantly independently of the size and complexity of the considered diagnosis problems and outperforms equally general methods not exploiting the proposed theory by orders of magnitude.

研究动机与目标

• 为解决在顺序模型基诊断中选择最优查询以降低诊断成本的挑战。
• 以可扩展且通用的方式最小化预期查询次数和每次查询的成本。
• 实现实时查询计算，无需依赖推理引擎调用，从而提升效率。
• 为查询特性提供先前方法所缺乏的理论保证。
• 在真实世界诊断问题上评估该方法，并展示其优越性能。

提出的方法

• 该方法将顺序诊断问题转化为知识库调试问题，从而实现对查询的正式分析。
• 提出一种在两个维度上解耦的优化策略：预期查询次数和每次查询的成本。
• 提出一种新颖的搜索空间缩减技术，使查询计算过程中无需调用推理引擎。
• 该方法仅使用多项式数量的推理即可计算查询，即使在完整搜索空间中亦然。
• 通过形式化的 q-划分和蕴含分析，确保查询的特性（如一致性与诊断效用）。
• 该框架支持任意诊断问题，并为查询最优性提供理论保证。

实验结果

研究问题

• RQ1 如何在顺序模型基诊断中优化查询选择，以同时最小化查询次数和每次查询的成本？
• RQ2 是否可以无需调用推理引擎而高效地完成查询计算？
• RQ3 在一般诊断问题中，可以为查询质量提供哪些理论保证？
• RQ4 与现有通用方法相比，该方法的可扩展性如何？
• RQ5 该方法是否能在真实世界诊断问题中实现接近最优的查询选择，且计算开销极小？

主要发现

• 所提出的方法可即时计算出（几乎）最优的查询，无论诊断问题的规模或复杂度如何。
• 在计算效率方面，该方法相比同等通用的现有方法性能提升数个数量级。
• 查询计算仅需多项式数量的推理，即使在完整搜索空间中亦然。
• 该方法保证了查询特性（如诊断效用和一致性），而这些特性在现有方法中并未提供。
• 在真实世界问题上的评估证实了该方法在实际诊断场景中的可扩展性和有效性。
• 该方法在查询计算过程中消除了对推理引擎调用的需求，显著降低了计算开销。